Tổng quan

Chiến lược này sử dụng mạng nơ-ron nhân tạo để dự đoán biến động giá trong tương lai, từ đó tạo ra tín hiệu giao dịch. Đây là chiến lược theo xu hướng (trend following). Ưu điểm của chiến lược là có khả năng nhận diện các xu hướng phi tuyến tính phức tạp, phù hợp với giao dịch trung và dài hạn. Tuy nhiên, cũng tồn tại rủi ro là kết quả backtest tốt nhưng hiệu quả thực tế lại kém.

Nguyên lý chiến lược

Chiến lược này sử dụng mạng nơ-ron nhân tạo (ANN) để dự đoán tỷ lệ tăng giảm của ngày hôm sau.

Lớp đầu vào chỉ có một nút đầu vào, đó là tỷ lệ phần trăm tăng giảm của ngày hôm trước.

Lớp ẩn gồm 2 lớp: lớp thứ nhất có 5 nút, lớp thứ hai có 33 nút, cả hai đều sử dụng hàm kích hoạt tangent hyperbolic (tanh).

Lớp đầu ra chỉ có một nút đầu ra, sau hàm kích hoạt tuyến tính sẽ trực tiếp trở thành kết quả dự đoán cuối cùng.

Nếu kết quả dự đoán lớn hơn giá trị tham số threshold thì tạo tín hiệu mua; nếu nhỏ hơn giá trị âm của tham số threshold thì tạo tín hiệu bán.

Ưu điểm của chiến lược

• Sử dụng mô hình ANN để dự đoán, có thể khớp các xu hướng phi tuyến tính phức tạp.
• Đầu vào chỉ sử dụng dữ liệu một ngày, không cần lượng lớn dữ liệu lịch sử.
• Có thể nhận diện xu hướng trên khung thời gian dài hơn.
• Sử dụng nhiều lớp ẩn, khả năng khớp mạnh.
• Hàm kích hoạt và tham số đã được tối ưu hóa, hiệu quả dự đoán tốt.

Rủi ro của chiến lược

• Thuật toán ANN có rủi ro overfit, hiệu quả thực tế có thể kém hơn backtest.
• Cần dữ liệu lịch sử dài để huấn luyện, không phù hợp với cổ phiếu mới niêm yết.
• Tham số và cấu trúc cần được tối ưu hóa nhiều lần, hiệu quả không ổn định.
• Chỉ dự đoán tăng giảm một ngày, không thể đánh giá xu hướng dài hạn.
• Khi thị trường bước vào giai đoạn đi ngang, hiệu quả có thể trở nên xấu hơn.

Hướng tối ưu hóa

• Tăng biến đầu vào, ví dụ như thông tin khối lượng giao dịch.
• Thử nghiệm các cấu trúc ANN và hàm kích hoạt khác nhau.
• Tối ưu hóa các tham số của ANN, nâng cao độ chính xác khớp.
• Tăng kích thước tập huấn luyện, tránh overfit.
• Dự đoán nhiều khung thời gian, đánh giá xu hướng ngắn và dài hạn.
• Kết hợp với các mô hình khác, học ensemble.
• Sử dụng các chỉ báo như độ biến động để tăng cường kiểm soát rủi ro.

Tổng kết

Chiến lược này sử dụng mô hình ANN để dự đoán biến động giá, có thể nhận diện các xu hướng phi tuyến tính phức tạp, phù hợp với giao dịch trung và dài hạn. Tuy nhiên, bản chất hộp đen của mô hình ANN cũng đặt ra nhiều thách thức khi giao dịch thực tế. Chúng ta cần tối ưu hóa từ các khía cạnh như đặc trưng đầu vào, cấu trúc mô hình, tham số, học ensemble, đồng thời kết hợp với các chỉ báo phân tích kỹ thuật truyền thống để tăng cường hiệu quả giao dịch, giảm rủi ro thực tế. Các chiến lược trí tuệ nhân tạo vẫn cần kết hợp hoàn hảo với các chiến lược truyền thống để phát huy hiệu quả tối đa.